基于卷积神经网络带标记的钢板表面缺陷检测
钢铁产业是制造业的支柱性产业,由于生产中工况多样性,导致钢板表面的缺陷种类繁多,难以检测,且检测准确率及效率不理想.针对小样本的钢板表面缺陷分类检测问题,提出基于卷积神经网络带标记的钢板表面缺陷检测系统.首先,灯源采用狭缝式结构,相机选用为TEDTECH公司型号TM-C1582U,采集钢板表面缺陷样本,共计1300个样本,分为六类缺陷,即色差、孔洞、划痕、磷化斑、针眼、白斑,将其分为训练集和测试集;其次,对钢板缺陷图像进行双边滤波去噪;然后,使用canny算子进行边缘检测;再次,选用特征灰度值一阶概率分布P(i)和x方向投影特征P(x),求其特征向量,在图像边缘处补一列或者几列特征向量;最后,设计卷积神经网络结构,采用3个卷积层和1个6类别softmax输出层,其中激活函数为ReLU函数.由开源框架Caffe和其C++接口实现,分别对其训练,最高准确率可达93.20%、95.69%、97.35%、94.52%、94.15%、95.71%.
缺陷检测、卷积神经网络、图像处理、特征标记
42
TH16;TP751
2020-09-30(万方平台首次上网日期,不代表论文的发表时间)
共7页
34-40